基于深度学习的棉花异性纤维检测

在棉花纤维生产过程中,棉花异性纤维直接影响着其成品质量优劣。通过人工进行视觉上的观察是常用的判定棉花异性纤维优劣的方法,但这种方法耗费大量人力和时间,且准确性不高。本文测试一种可根据深度学习对棉花异性纤维进行自动检测的方法。通过卷积神经网络,在对棉花图像不断训练的过程中,使棉花异性纤维质量检测过程自动化。结果表明,这一方法对于检测棉花异性纤维准确性高、效率高,对于高品质棉花自动化生产加工有重要意义。     

西装识别的深度学习方法

为准确而快速地对电商平台产品图像进行西装目标的分类检测,以3个主要的卷积网络深度学习框架即快速区域卷积神经网络、基于区域的全连接卷积网络和单次多盒检测为基础,首先通过实验分析其在服装图像分类识别中的效率和有效性,针对小目标识别困难和过拟合识别问题,提出基于尺寸分割和负样本的单次多盒检测(SSD)增强方法(DN-SSD);然后将图像分割为不同尺寸的子图突出服装目标,通过融合分类方法解决SSD算法对小目标识别不足的问题,并通过增强负样本以提高算法的场景适应能力。实验结果表明,该算法可有效地识别各种形态和大小的西装目标,识别准确率达到90%以上,并且能够方便地推广到服装其他品类的识别中。     

基于红外与可见光图像融合的苹果表面缺陷检测方法

目的：解决目前中国苹果分级分类大部分情况下仍需要进行人工筛选的问题。方法：采用基于多尺度变换的红外与可见光图像融合算法对所采集到的苹果的可见光图像和红外图像进行融合,得到缺陷特征更加直观的融合图像,对该图像进行图像的预处理操作得到二值化图像数据集,再采用卷积神经网络的AlexNet模型对之前的苹果表面缺陷数据集进行训练、验证和检测。结果：该检测方法在所制作的苹果表面缺陷数据集上对完好果、缺陷果、花萼/果梗、花萼/果梗加缺陷识别的平均准确度为99.0%,其中对花萼/果梗的识别准确率可达95.8%,对完好果、缺陷果和花萼/果梗加缺陷的识别准确率高达100%。结论：该方法对苹果表面缺陷的检测精度比较高,可以满足对苹果的在线分级的需求。     

基于深度学习的山核桃破壳物料分类识别

目的：对山核桃一次破壳后物料进行分类,提高山核桃深加工水平。方法：通过图像采集系统得到5类山核桃样本,分别为较完整壳仁未分、露仁、未破壳完整山核桃、不完整壳仁未分、壳。利用数据增广的方式,得到包含15 000个图像样本建立的数据集。在VGG16网络基础上构建模型,并按9∶1的比例在包含5类山核桃物料图像的数据集上进行训练和验证。结果：该模型训练准确率和验证准确率分别达到了97.3%,99.7%;对1 713张山核桃加工物料图像进行分类识别,准确度达到了99.5%。结论：该模型能够达到对山核桃一次破壳后的物料分类识别的精度要求。     

基于深度学习的水果缺陷实时检测方法

目的：对CenterNet方法进行优化改进。方法：使用MobileNetV3的轻量化卷积神经网络替代CenterNet 原有的骨干网络,加快检测速度,对MobileNetV3模块进行改进,增强模型对水果中小缺陷块的检测能力,并对CenterNet的预检测阶段进行优化,提高其检测准确度。结果：试验方法对显著缺陷如直径>4 mm的苹果识别率高达99.7%,检测速度为113帧/s,模型体积为1.31 MB。结论：与CenterNet_ResNet18和CenterNet_Shuffler模型相比,MO-CenterNet模型检测水果缺陷在训练时间、检测速度和准确率方面均衡性更好。     

基于直线检测的车间地标线识别与拟合

为满足现阶段车间内无人驾驶车辆以及车辆自动导引时对车道线的识别速度和检测准确率的要求,课题组提出了一种结合LSD(line segment detect)直线检测以及ANN(artificial neural network)颜色判定神经网络的特定颜色车道线识别与拟合方法。实验表明:与传统的LSD直线检测相比,该方法在识别速度显著提升的同时,能够适应不同的检测环境,提升检测的准确率。     

棉花中异性纤维检测图像分割和边缘检测方法研究进展

为进一步提高棉花中异性纤维的检测效率,对异性纤维图像处理方法进行探究。通过分析不同异性纤维图像边缘检测方法的定位精度、背景模糊以及受噪声影响情况发现,不同图像分割方法中异性纤维边缘连续性和分割效果存在差异性。统计了常见异性纤维图像边缘检测法和图像分割方法,分析了各类处理方法的优势和局限性,归纳了适用于各类异性纤维的检测方法,总结了现有研究中存在的问题和不足。研究认为:目前对不同种类异性纤维检测适用的图像处理方法不同,还无法同时检测出全部种类的异性纤维;应根据实践中具体异性纤维的种类、含量、物理特性等选择适合的检测算法并进行算法融合,开发普适性好的算法以降低成本和减少计算量。     

基于深度学习的储粮害虫检测研究进展

储粮害虫检测与预警对保障粮食储存安全具有重要意义。目标检测是计算机视觉研究领域的核心问题之一,近年来深度学习在目标检测领域的应用研究取得了重大突破,储粮害虫目标检测也取得了较大进展,并逐步在粮库智能化建设中推广与应用。本文从储粮害虫数据集的获取与预处理、储粮害虫目标检测算法研究、储粮害虫检测结果应用等三个方面,总结了近年来基于深度学习的储粮害虫检测研究进展,通过对比研究,提出了该研究领域存在的问题及未来研究方向。     

基于多尺度图像增强结合卷积神经网络的纸病识别分类

针对造纸工业中传统纸病识别分类依赖于特征描述子和分类器的选择问题,提出一种多尺度图像增强结合卷积神经网络的纸病识别分类方法。该方法利用多尺度形态学梯度增强纸病图像的边缘轮廓信息,突出缺陷梯度特征,然后利用卷积神经网络(CNN)学习纸病图像的特征并分类识别,从而实现纸病的准确识别分类。实验结果表明,该方法对纸病识别分类的结果明显优于HOG+SVM、LBP+SVM以及传统CNN方法,在Caltech101、KTH-TIPS以及本课题的数据集上的分类正确识别率分别达到98.44%、99.23%和99.64%。与现有纸病识别分类方法相比,本课题方法不需针对各种纸病进行缺陷特征提取和特征描述,能快速实现纸病的准确识别分类。     

基于神经网络的织物疵点识别技术

因织物组织繁多,表面特征各异,很难建立一个统一的织物疵点识别模型。为了解决这一问题,实现自动验布,提出采用双层神经网络和小波变换来识别织物疵点的方法。先对正常织物进行训练,得到织物的特征,应用第1层简单BP网络来分辨正常织物和疵点。然后对疵点图像进行二维离散小波变换,并去除织物本身的特征,利用已训练的BP网络进行具体疵点识别。试验证明,这种方法的准确性较高,速度快,基本接近自动验布系统的要求。     

基于图像处理的分梳山羊绒长度检测方法

为了提高分梳山羊绒长度检测的效率、降低测量过程中人为因素的影响,提出一种基于数字图像处理技术的分梳山羊绒长度检测流程和方法。对分梳山羊绒进行数字图像采集,将采集到的图像转换成灰度图像,对灰度图像进行滤波、二值化处理、边缘提取、拟合曲线,最后根据GB 18267-2013《山羊绒》计算分梳山羊绒的平均长度。结果表明:该方法可以获得分梳山羊绒的边缘曲线,根据曲线测得的分梳山羊绒平均长度与人工测量长度非常接近,为分梳山羊绒长度检测提供了有效的方法。     

基于光电技术的棉纤维杂质快速测定

针对棉纤维杂质人工检测耗时长、劳动强度大等问题,提出一种基于光电技术的棉纤维杂质机器视觉测定方法。首先通过改变平滑模板窗口尺寸对棉纤维图像自适应中值滤波优化,然后采用Otsu算法自适应选取分割阈值,并遍历整个图像,进行边缘断裂端点的连接、边缘生长与连接,搭建光电检测系统原型,实现了棉纤维杂质的快速测定。实验结果表明:该方法能够有效去除图像噪声,避免伪边缘的产生,检测到的杂质边缘清晰完整。光电检测耗时较GB/T 6499—2012《原棉含杂率试验方法》降低95.1%,结果间误差为2.35%,杂质粒数与杂质面积比参数结果误差均在2.1%以内,能够有效用于棉纤维杂质的快速准确测定。     

自然场景下基于改进LeNet卷积神经网络的苹果图像识别技术

针对传统基于内容的识别方法在特征提取方面存在计算复杂、特征不可迁移等问题,为避免光照条件、重叠及其他遮挡等因素对图像识别的影响,以LeNet卷积神经网络作为基础,对其结构进行改进,设计了一种基于改进LeNet卷积神经网络的苹果目标识别模型,并利用该模型对不同场景的苹果图像进行识别训练与验证。结果表明:该网络模型可有效实现苹果图像的识别,对独立果实、遮挡果实、重叠果实以及相邻果实的识别率分别为96.25%,91.37%,94.91%,89.56%,综合识别率达到93.79%。与其他方法相比,该算法具有较强的抗干扰能力,图像识别速度快、识别率更高。     

卷积神经网络在储粮害虫图像识别中的应用研究

立足于当今储粮害虫图像识别领域面临的技术需求,针对现有的储粮害虫图像识别算法网络结构相对复杂,辨认率低,为此,引入卷积神经网络实现储粮害虫图像的识别。简要阐述了卷积神经网络发展过程,分析其网络结构,选用5种储粮害虫作为训练样本,分析了储粮害虫图像识别过程,最后通过实验得出了基于卷积神经网络的Alexnet模型对储粮害虫图像识别的精确度达97.62%,说明基于CNN对储粮害虫图像识别具有较高的准确率。     

基于卷积神经网络和支持向量机的水稻种子图像分类识别

针对外形相似的水稻种子间分类难、识别正确率低等问题,提出一种卷积神经网络与支持向量机相结合的方法(CNN_SVM)对8类水稻种子进行分类识别.首先对图像进行切割、旋转等预处理后建立水稻种子图像数据库,其次通过提取图像的方向梯度直方图(HOG)、LBP纹理、SIFT描述子和CNN特征,分别建立SVM、KNN和Softma...     

基于深度学习的织物疵点检测研究进展

为提高疵点检测的准确性和通用性,实现使用简洁而有效的形式对织物图像的特点和疵点的本质特征进行综合表达,首先,介绍了深度学习技术,对引入了深度学习的疵点检测方法进行综述,同时对深度学习与疵点检测的内在关系进行阐述;然后,分析总结了深度学习的概念及代表性的计算模型,并对引入深度学习的疵点检测方法进行归纳、总结和分类;最后,对典型的方法进行了分析,讨论了各种方法的优缺点,并对未来的研究趋势进行了展望。指出：随着深度学习的发展,探索更加通用的检测方法是推进深度学习在织物疵点检测领域应用的努力方向。